Personnaliser la logique des chaînes
Découvrez comment créer des chaînes personnalisées et intégrer vos propres fonctions et votre logique Python dans les flux de travail LangChain.
Personnaliser la logique des chaînes est une leçon AI Agents with LangChain & Autonomous Workflows gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents with LangChain & Autonomous Workflows, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents with LangChain & Autonomous Workflows comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Beyond Standard Chains
In previous lessons, you learned how to create sequential chains to perform multi-step operations. These chains are powerful for connecting standard LangChain components like prompts and LLMs.
But what if you need to do something unique? What if you need to process data in a specific way before it reaches your LLM, or format its output afterward?
When to Add Custom Steps
Standard chains are great, but they can't handle every scenario. Custom logic allows you to:
- Pre-process inputs: Clean, validate, or transform user input before sending it to a prompt or LLM.
- Post-process outputs: Parse, filter, or reformat LLM responses for display or further use.
- Integrate external logic: Call your own Python functions, external APIs, or apply conditional routing.
- Handle complex data transformations: Convert data types, merge information, or apply business rules.
Introducing RunnableLambda
LangChain's RunnableLambda is your key to integrating custom Python functions into chains. It wraps any Python callable (like a function or a lambda expression) and makes it behave like a LangChain Runnable component.
This means you can seamlessly insert your own Python logic anywhere in a chain, just like you would an LLM or a prompt template!
Your First Custom Function
Let's start with a simple custom function that adds an exclamation mark to a string. We'll wrap it with RunnableLambda to make it part of a chain.
Try running this basic example:
from langchain_core.runnables import RunnableLambda
def add_exclamation(text: str) -> str:
return text + "!"
if __name__ == "__main__":
# Wrap your function to make it a Runnable
custom_step = RunnableLambda(add_exclamation)
# Invoke it like any other Runnable
result = custom_step.invoke("Hello CoddyKit")
print(result)Chaining Custom Logic
The real power comes when you combine RunnableLambda with other LangChain components. You can place your custom logic at the beginning, middle, or end of a chain.
For example, you might have a custom function that prepares the input for a prompt, or one that processes the output from an LLM.
Custom Pre-processing Chain
Here's an example where a custom step pre-processes the input by converting it to uppercase before it's passed to a PromptTemplate and then to a simulated LLM.
Notice how the `uppercase_input` function expects a dictionary, mirroring how chain inputs often work.
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnableLambda
from langchain_community.llms import FakeListLLM
def uppercase_input(data: dict) -> dict:
# Ensure 'text' key exists and convert its value to uppercase
return {"text": data.get("text", "").upper()}
if __name__ == "__main__":
# A simulated LLM for demonstration
llm = FakeListLLM(responses=["I received your uppercase text!"])
# Define a simple prompt template
prompt = PromptTemplate.from_template(
"You mentioned: {text}. What do you think?"
)
# Create the custom pre-processing step
pre_process_step = RunnableLambda(uppercase_input)
# Build the chain: custom_step -> prompt -> llm
custom_chain = pre_process_step | prompt | llm
# Invoke the chain with lowercase input
input_data = {"text": "hello world"}
response = custom_chain.invoke(input_data)
print(response)Custom Post-processing Logic
Just as you can pre-process inputs, you can also post-process the outputs from an LLM. This is useful for:
- Extracting specific information from a longer response.
- Formatting the output for display in a UI.
- Converting the output to a different data structure (e.g., JSON).
- Adding a custom header or footer to the LLM's message.
Example: Custom Output Formatting
Let's create a custom function that takes the raw LLM response and wraps it with a friendly message. This makes the output more user-friendly.
Run this example to see the LLM's response being transformed:
from langchain_core.runnables import RunnableLambda
from langchain_community.llms import FakeListLLM
def format_llm_output(llm_response: str) -> str:
# Add a custom prefix and suffix to the LLM's message
return f"🤖 AI says: '{llm_response.strip()}' - Over and out!"
if __name__ == "__main__":
# A simulated LLM for demonstration
llm = FakeListLLM(responses=["The weather is sunny today."])
# Create the custom post-processing step
post_process_step = RunnableLambda(format_llm_output)
# Build the chain: llm -> custom_step
custom_chain = llm | post_process_step
# Invoke the chain (input doesn't affect FakeListLLM's response here)
response = custom_chain.invoke("What's the weather like?")
print(response)Adding Conditional Logic
RunnableLambda isn't just for simple transformations. You can embed complex Python logic, including conditionals, loops, and even calls to other services, directly into your chain.
For instance, you could have a custom step that checks if an input meets certain criteria and, if not, redirects the flow or returns a default message, creating dynamic and intelligent workflows.
Quick Check: Custom Chain Steps
Which of the following are good use cases for integrating custom Python logic (e.g., using RunnableLambda) into a LangChain workflow?
Recap & Next Steps
You've learned how to inject your own Python functions and logic into LangChain workflows using RunnableLambda. This powerful feature allows you to:
- Perform custom pre-processing on inputs.
- Apply custom post-processing to LLM outputs.
- Integrate complex or conditional logic within your chains.
By mastering custom chain logic, you gain immense flexibility to tailor LangChain to your exact needs, building truly unique and intelligent applications. Next, explore how to use pre-built toolkits to add even more capabilities to your agents!
Questions Fréquemment Posées
La leçon « Personnaliser la logique des chaînes » est-elle gratuite ?
Oui — le texte complet de « Personnaliser la logique des chaînes » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents with LangChain & Autonomous Workflows, passe à CoddyKit PRO. Le cours AI Agents with LangChain & Autonomous Workflows comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Personnaliser la logique des chaînes » ?
Découvrez comment créer des chaînes personnalisées et intégrer vos propres fonctions et votre logique Python dans les flux de travail LangChain. Tu pratiques AI Agents with LangChain & Autonomous Workflows avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents with LangChain & Autonomous Workflows ?
Aucune expérience préalable n'est requise. AI Agents with LangChain & Autonomous Workflows sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Personnaliser la logique des chaînes » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents with LangChain & Autonomous Workflows ?
Oui. Chaque leçon AI Agents with LangChain & Autonomous Workflows inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Introduction aux chaînes LangChain
- Chaînes séquentielles et simples
- Personnaliser la logique des chaînes
- Routage et chaînes conditionnelles